چارچوب مفهومی هوش مصنوعی جهت پایش و پیش بینی خستگی فیزیولوژیک پرسنل با استفاده از حسگرهای پوشیدنی

مدیریت خستگی فیزیولوژیک در محیط های کاری حساس، یکی از پیچیده ترین چالش ها در تقاطع علوم ورزشی، سلامت شغلی و مهندسی است. رویکردهای سنتی در پایش خستگی، به دلیل ماهیت مقطعی و عدم توجه به تغییرات فردی، در پیش بینی دقیق ریسک های عملکردی با محدودیت های جدی روبرو هستند. پژوهش حاضر با هدف رفع این شکاف، یک چارچوب مفهومی مبتنی بر هوش مصنوعی و فناوری های پوشیدنی پیشنهاد می دهد که قادر است خستگی را نه به عنوان یک وضعیت ثابت، بلکه به عنوان یک فرآیند پویا و چندوجهی مدل سازی کند.

این معماری پیشنهادی بر پایه یک ساختار پنج لایه استوار است. در نخستین گام، لایه ورودی های زمینه ای، با در نظر گرفتن متغیرهای فردی و محیطی، بستری برای تفسیر داده ها فراهم می کند. سپس در لایه حسگرهای پوشیدنی، سیگنال های حیاتی نظیر تغییرپذیری ضربان قلب (HRV) برای پایش سیستم عصبی خودکار، الکترومیوگرافی (EMG) برای بررسی خستگی عصبی-عضلانی، و داده های ترمورگولاتور و حرکتی، به صورت همزمان جمع آوری می شوند. این داده های چندوجهی در لایه پردازش و هوش مصنوعی، از طریق الگوریتم های پیشرفته یادگیری ماشین، به الگوهای معنادار تبدیل می گردند. در مرحله بعد، لایه پیش بینی شخصی سازی شده، با استفاده از این الگوها، سطح ریسک و روند احتمالی خستگی را برای هر فرد به طور مجزا تخمین می زند. در نهایت، لایه پشتیبانی تصمیم گیری، این خروجی های پیچیده را به زبان ساده و عملیاتی برای مدیران و پرسنل ترجمه می کند تا اقدامات اصلاحی (مانند مدیریت ریکاوری یا تنظیم بار کاری) انجام شود.

کاربرد عملی این چارچوب در صنایع استراتژیک نظیر معدن، فولاد و مس بسیار حیاتی است؛ جایی که قرارگیری در معرض استرس های حرارتی و فیزیکی بالا، ریسک حوادث ناشی از خستگی را افزایش می دهد. برای تحقق کامل این مدل، پژوهش های آتی باید بر دو محور اصلی تمرکز کنند: نخست، توسعه «هوش مصنوعی قابل تفسیر» (XAI) جهت افزایش اعتماد کاربران به تصمیمات سیستم، و دوم، پیاده سازی «پردازش لبه» (Edge Computing) برای تحلیل داده ها در محل کار و کاهش تاخیر در ارائه هشدارها. این رویکرد نوآورانه، مسیر را برای گذار از پایش ساده به مدیریت هوشمند و پیشگیرانه سلامت و ایمنی در محیط های صنعتی هموار می سازد.

ساختار و لایه های عملکردی چارچوب پیشنهادی

چارچوب پیشنهادی، معماری جامعی را ارائه می دهد که خستگی فیزیولوژیک را به عنوان یک تعامل پویای میان ویژگی های فردی، الزامات شغلی، عوامل محیطی، فناوری پوشیدنی، تحلیل های هوش مصنوعی و سیستم های پشتیبانی تصمیم گیری به تصویر می کشد. این معماری از پنج لایه عملکردی اصلی تشکیل شده است:

1. لایه ورودی های فردی و زمینه ای (Contextual and Individual Input Layer):این لایه شامل عوامل اثرگذار بر توسعه خستگی، از جمله ویژگی های فردی، وضعیت ریکاوری پیشین، مبنای فیزیولوژیک (Baseline)، میزان مواجهه با بار کاری، الزامات وظیفه و شرایط محیطی است. پاسخ های فیزیولوژیک بدون درک بستر وقوع آن ها قابل تفسیر نیستند؛ چرا که یک پاسخ فیزیولوژیک واحد می تواند بسته به شدت کار، استرس محیطی و ویژگی های فردی، دلالت بر سطوح متفاوتی از خستگی داشته باشد.
2. لایه حسگرهای پوشیدنی چندوجهی (Multimodal Wearable Sensing Layer):این لایه به کسب مستمر اطلاعات فیزیولوژیک و بیومکانیکی از طریق فناوری های پوشیدنی اختصاص دارد. منابع داده ای شامل شاخص های قلبی-عروقی، فعالیت عضلانی، الگوهای حرکتی، پاسخ های ترمورگولاتور (تنظیم حرارتی) و سیگنال های مرتبط با سیستم خودکار (Autonomic) است. هدف این لایه، شناسایی یک نشانگر واحد نیست، بلکه ثبت تظاهرات فیزیولوژیک چندگانه مرتبط با خستگی است (مانند استفاده از ضربان قلب برای بار قلبی-عروقی، HRV برای نامتعادلی ریکاوری، EMG برای خستگی عصبی-عضلانی، و EDA برای پاسخ استرس).
3. لایه پردازش داده و هوش مصنوعی (Data Processing and AI Layer):شامل پردازش سیگنال، ارزیابی کیفیت، استخراج ویژگی و مدل سازی مبتنی بر هوش مصنوعی است. سیگنال های خام فیزیولوژیک از طریق روش های تحلیلی قادر به تشخیص تغییرات زمانی و برهم کنش های پیچیده، به نمایه های معنادار تبدیل می شوند. روش های یادگیری ماشین و یادگیری عمیق بر اساس ویژگی های داده و الزامات تفسیری به کار گرفته می شوند.
4. لایه پیش بینی شخصی سازی شده خستگی و تفسیر ریسک (Personalized Fatigue Prediction Layer):این لایه اطلاعات پردازش شده را به برآورد خستگی فردی تبدیل می کند. بر خلاف دسته بندی ساده ی دودویی (خسته/ناخسته)، این چارچوب بر پیش بینی مستمر مسیر خستگی و سطح ریسک تاکید دارد تا شناسایی تدریجی افت فیزیولوژیک میسر شود.
5. لایه پشتیبانی تصمیم گیری انسان محور (Human-Centered Decision Support Layer):لایه نهایی که خروجی های هوش مصنوعی را به اقدامات عملیاتی (مانند فرصت های ریکاوری، تنظیم بار کاری، کنترل محیطی یا مداخلات سلامت شغلی) تبدیل می کند. این چارچوب، هوش مصنوعی را به عنوان ابزاری کمکی برای تصمیم گیری و نه جایگزین قضاوت انسانی معرفی می کند. مشارکت علمی این چارچوب، نظری است و اعتباربخشی تجربی آن در مطالعات میدانی آتی ضرورت دارد.
6. واژگان کلیدی: هوش مصنوعی؛ خستگی فیزیولوژیک؛ حسگرهای پوشیدنی؛ پیش بینی خستگی؛ پایش شخصی سازی شده؛ سلامت شغلی.